[論文レビュー] Spatiotemporal Dynamics, Nowcasting and Forecasting of COVID-19 in the United States

Li Wang, Guannan Wang+6 more|arXiv (Cornell University)|Apr 29, 2020

COVID-19 epidemiological studies参考文献 23被引用数 36

ひとこと要約

著者らは、SIRの考えを変動係数およびスプライン成分で拡張した非パラメトリックな時空間流行病モデル（STEM）を開発し、米国の郡・州のCOVID-19動態を現時点推定と予測する。 不確実性のためのブートストラップベースの予測区間を含む。

ABSTRACT

Epidemic modeling is an essential tool to understand the spread of the novel coronavirus and ultimately assist in disease prevention, policymaking, and resource allocation. In this article, we establish a state of the art interface between classic mathematical and statistical models and propose a novel space-time epidemic modeling framework to study the spatial-temporal pattern in the spread of infectious disease. We propose a quasi-likelihood approach via the penalized spline approximation and alternatively reweighted least-squares technique to estimate the model. Furthermore, we provide a short-term and long-term county-level prediction of the infected/death count for the U.S. by accounting for the control measures, health service resources, and other local features. Utilizing spatiotemporal analysis, our proposed model enhances the dynamics of the epidemiological mechanism and dissects the spatiotemporal structure of the spreading disease. To assess the uncertainty associated with the prediction, we develop a projection band based on the envelope of the bootstrap forecast paths. The performance of the proposed method is evaluated by a simulation study. We apply the proposed method to model and forecast the spread of COVID-19 at both county and state levels in the United States.

研究の動機と目的

• 郡レベルでのCOVID-19拡散を研究するための動的な時空間流行病モデルフレームワークを開発する。
• 空間時系列パターンを説明するため、ポリシー・人口統計・医療・モビリティ・SESなど、郡レベルの広範な共変量を取り入れる。
• 感染者数と死亡者数の短期および長期予測を提供し、予測区間で不確実性を定量化する。
• シミュレーションおよび米国の郡・州の事例研究を通じて計算効率と適用性を示す。

提案手法

• 古典的なSIR力学と一般化加法的変動係数モデルを融合したSTEMを導入する。
• 感染と死亡の条件付き平均構造を、対数/リンク形式と時変空間係数（3.1–3.4）で指定する。
• カウントデータと過分散に対応するため、PoissonまたはNegative Binomial応答を採用する。
• スプラインベースのペナルティ（4.1–4.5）と双変量空間関数のBPSTを用いた制約付き準尤度推定で推定する。
• 共変量効果には一変量スプラインを、空間変動係数には三角形分割に基づく二変数スプラインを使用する。
• 時刻動的を捉えるため移動窓（t0）推定を実装し、平滑性制約を課す再パラメータ化に依拠する。

実験結果

リサーチクエスチョン

• RQ1 周辺地域の効果を考慮しつつ、STEMは米国内の郡間でのCOVID-19の時空間的拡散を捉え説明できるか。
• RQ2 郡レベルの共変量と実装されたコントロール（ポリシー、モビリティ、人口統計、医療、SES）が感染率と死亡率に時間とともいてどう影響するか。
• RQ3 短期（日次）の感染・死亡と長期（3か月）の予測をどの程度正確に作成でき、予測不確実性をどのように定量化できるか。
• RQ4 大規模な米国郡レベルデータ上で提案推定手法の計算効率はどうか。

主な発見

• STEMは柔軟なフレームワークを提供し、いくつかの既存モデルを包含し、非線形の発症率にも対応する。
• 推定手続きは大規模データセットに対して高速で効率的で、及时な分析に適している。
• モデルは局所的特徴と隣接地域情報を統合して、COVID-19の時空間ダイナミクスを解明する。
• Prediction uncertainty is quantified via bootstrap-based projection bands constructed from forecast paths.
• この手法はシミュレーション研究を通じて検証され、米国の郡レベルおよび州レベルのCOVID-19データに適用されている。